web-dev-qa-db-fra.com

Prévision des données de séries chronologiques

J'ai fait des recherches et je suis coincé à trouver la solution. J'ai une série chronologique, un bloc de données très basique, appelons-le x:

Date        Used
11/1/2011   587
11/2/2011   578
11/3/2011   600
11/4/2011   599
11/5/2011   678
11/6/2011   555
11/7/2011   650
11/8/2011   700
11/9/2011   600
11/10/2011  550
11/11/2011  600
11/12/2011  610
11/13/2011  590
11/14/2011  595
11/15/2011  601
11/16/2011  700
11/17/2011  650
11/18/2011  620
11/19/2011  645
11/20/2011  650
11/21/2011  639
11/22/2011  620
11/23/2011  600
11/24/2011  550
11/25/2011  600
11/26/2011  610
11/27/2011  590
11/28/2011  595
11/29/2011  601
11/30/2011  700
12/1/2011   650
12/2/2011   620
12/3/2011   645
12/4/2011   650
12/5/2011   639
12/6/2011   620
12/7/2011   600
12/8/2011   550
12/9/2011   600
12/10/2011  610
12/11/2011  590
12/12/2011  595
12/13/2011  601
12/14/2011  700
12/15/2011  650
12/16/2011  620
12/17/2011  645
12/18/2011  650
12/19/2011  639
12/20/2011  620
12/21/2011  600
12/22/2011  550
12/23/2011  600
12/24/2011  610
12/25/2011  590
12/26/2011  750
12/27/2011  750
12/28/2011  666
12/29/2011  678
12/30/2011  800
12/31/2011  750

J'apprécie vraiment toute aide à ce sujet. Je travaille avec des données de séries chronologiques et je dois pouvoir créer des prévisions basées sur des données historiques.

  1. J'ai d'abord essayé de le convertir en xts:

    x.xts <- xts(x$Used, x$Date)

  2. Ensuite, j'ai converti x.xts aux séries chronologiques régulières:

    x.ts <- as.ts(x.xts)

  3. Mettez les valeurs dans ets:

    x.ets <- ets(x.ts)

  4. Prévision réalisée sur 10 périodes:

    x.fore <- forecast(x.ets, h=10)

  5. x.fore est-ce:

       Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
87       932.9199 831.7766 1034.063 778.2346 1087.605
88       932.9199 818.1745 1047.665 757.4319 1108.408
89       932.9199 805.9985 1059.841 738.8103 1127.029
90       932.9199 794.8706 1070.969 721.7918 1144.048
91       932.9199 784.5550 1081.285 706.0153 1159.824
92       932.9199 774.8922 1090.948 691.2375 1174.602
93       932.9199 765.7692 1100.071 677.2849 1188.555
94       932.9199 757.1017 1108.738 664.0292 1201.811
95       932.9199 748.8254 1117.014 651.3717 1214.468
96       932.9199 740.8897 1124.950 639.2351 1226.605

  6. Lorsque j'essaie de tracer le x.fore, J'obtiens un graphique mais l'axe des x montre des nombres plutôt que des dates:

enter image description here

Les étapes que je fais sont-elles correctes? Comment puis-je changer l'axe des x pour lire les dates des spectacles?

Je vous remercie beaucoup pour toute contribution.

rtime-seriesxts
26
george willy

Voici ce que j'ai fait:

x$Date = as.Date(x$Date,format="%m/%d/%Y")
x = xts(x=x$Used, order.by=x$Date)
# To get the start date (305)
#     > as.POSIXlt(x = "2011-11-01", Origin="2011-11-01")$yday
##    [1] 304
# Add one since that starts at "0"
x.ts = ts(x, freq=365, start=c(2011, 305))
plot(forecast(ets(x.ts), 10))

Résultant en:

Example output

Que pouvons-nous en tirer:

  • Plusieurs de vos étapes peuvent être combinées, ce qui réduit le nombre d'objets intermédiaires que vous créez
  • La sortie n'est toujours pas aussi jolie que @joran, mais elle est toujours facilement lisible. 2011.85 Signifie "numéro de jour 365*.85" (Jour 310 de l'année).
  • La détermination du jour dans une année peut être effectuée à l'aide de as.POSIXlt(x = "2011-11-01", Origin="2011-11-01")$yday et la détermination de la date à partir d'un numéro de jour peut être effectuée à l'aide de quelque chose comme as.Date(310, Origin="2011-01-01")

Mettre à jour

Vous pouvez supprimer encore plus d'étapes intermédiaires, car il n'y a aucune raison de convertir d'abord vos données en xts.

x = ts(x$Used, start=c(2011, as.POSIXlt("2011-11-01")$yday+1), frequency=365)
# NOTE: We have only selected the "Used" variable 
# since ts will take care of dates
plot(forecast(ets(x), 10))

Cela donne exactement le même résultat que l'image ci-dessus.

Update 2

En vous appuyant sur la solution fournie par @joran, vous pouvez essayer:

# 'start' calculation = `as.Date("2011-11-01")-as.Date("2011-01-01")+1`
# No need to convert anything to dates at this point using xts
x = ts(x$Used, start=c(2011, 305), frequency=365)
# Directly plot your forecast without your axes
plot(forecast(ets(x), 10), axes = FALSE)
# Generate labels for your x-axis
a = seq(as.Date("2011-11-01"), by="weeks", length=11)
# Plot your axes.
# `at` is an approximation--there's probably a better way to do this, 
# but the logic is approximately 365.25 days in a year, and an Origin
# date in R of `January 1, 1970`
axis(1, at = as.numeric(a)/365.25+1970, labels = a, cex.axis=0.6)
axis(2, cex.axis=0.6)

Ce qui donnera:

Second attempt

Une partie du problème dans votre code d'origine est qu'après avoir converti vos données en un objet xts et converti cela en un objet ts, vous perdez les dates dans votre forecast points.

Comparez la première colonne (Point) de votre sortie x.fore À ce qui suit:

> forecast(ets(x), 10)
         Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
2012.000       741.6437 681.7991 801.4884 650.1192 833.1682
2012.003       741.6437 676.1250 807.1624 641.4415 841.8459
2012.005       741.6437 670.9047 812.3828 633.4577 849.8298
2012.008       741.6437 666.0439 817.2435 626.0238 857.2637
2012.011       741.6437 661.4774 821.8101 619.0398 864.2476
2012.014       741.6437 657.1573 826.1302 612.4328 870.8547
2012.016       741.6437 653.0476 830.2399 606.1476 877.1399
2012.019       741.6437 649.1202 834.1672 600.1413 883.1462
2012.022       741.6437 645.3530 837.9345 594.3797 888.9078
2012.025       741.6437 641.7276 841.5599 588.8352 894.4523

J'espère que cela vous aidera à comprendre le problème de votre approche originale et améliorera votre capacité à traiter les séries chronologiques dans R.

Mise à jour 3

Solution finale et plus précise - parce que j'évite tout autre travail que je devrais faire en ce moment ... =

Utilisez le package lubridate pour une meilleure gestion des dates:

require(lubridate)
y = ts(x$Used, start=c(2011, yday("2011-11-01")), frequency=365)
plot(forecast(ets(y), 10), xaxt="n")
a = seq(as.Date("2011-11-01"), by="weeks", length=11)
axis(1, at = decimal_date(a), labels = format(a, "%Y %b %d"), cex.axis=0.6)
abline(v = decimal_date(a), col='grey', lwd=0.5)

Résultant en:

Final plot

Notez la méthode alternative d'identification de la date de début de votre objet ts.

43
A5C1D2H2I1M1N2O1R2T1

Si vous n'avez aucune préférence par rapport à un modèle spécifique, je vous suggère d'en utiliser un qui s'applique à un large éventail de situations:

library(forecast)
t.ser <- ts(used, start=c(2011,1), freq=12)
t.ets <- ets(t.ser)
t.fc <- forecast(t.ets,h=10)

Cela vous donnera la prédiction pour les 10 prochains mois.

Plus technique, il utilise la méthode de lissage exponentiel qui est un bon choix pour les situations générales. Selon le type de données, il peut y avoir un meilleur modèle spécifique à votre utilisation, mais ets est un bon choix général.

Il est important de souligner que puisque vous n'avez pas deux périodes terminées (moins de 24 mois), le modèle ne peut pas détecter la sazonalité, et donc cela ne sera pas inclus dans les calculs.

8
João Daniel

Modifier le tracé pour afficher les dates est assez facile, en supprimant simplement les axes du tracé d'origine, puis en les dessinant vous-même:

plot(x.fore,axes = FALSE)
axis(2)
axis(1,at = pretty(1:72,n = 6),
       labels = (x$Date[1]-1) + pretty(1:72,n = 6),
       cex.axis = 0.65)

enter image description here

7
joran